CN109753948B - 基于微波雷达的空调控制方法和装置、存储介质和处理器 - Google Patents
基于微波雷达的空调控制方法和装置、存储介质和处理器 Download PDFInfo
- Publication number
- CN109753948B CN109753948B CN201910081551.8A CN201910081551A CN109753948B CN 109753948 B CN109753948 B CN 109753948B CN 201910081551 A CN201910081551 A CN 201910081551A CN 109753948 B CN109753948 B CN 109753948B
- Authority
- CN
- China
- Prior art keywords
- microwave radar
- user
- indoor environment
- microwave
- air conditioner
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000004378 air conditioning Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000011176 pooling Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Landscapes
- Air Conditioning Control Device (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明公开了一种基于微波雷达的空调控制方法和装置、存储介质和处理器。该方法包括:通过微波雷达装置发出微波信号;采集微波信号的返回信号,其中,返回信号为微波信号遇到室内环境中的障碍物后返回的信号;根据微波雷达装置发射微波信号的第一时间,及微波雷达装置接收返回信号的第二时间的时间差确定微波雷达装置和障碍物之间的距离;依据微波雷达装置与每个障碍物之间的距离确定障碍物的轮廓;根据障碍物的轮廓构建室内环境的三维图像;从室内环境的三维图像中获取用户的姿势;根据用户的姿势控制空调运行。通过本发明,达到了通过微波雷达控制空调运行的效果。
Description
技术领域
本发明涉及微波雷达技术领域,具体而言,涉及一种基于微波雷达的空调控制方法和装置、存储介质和处理器。
背景技术
目前在智能家居领域,对空调进行智能控制主要采用的是通过摄像头来实时拍摄录像周围环境情况的方式,但这种方式受很多因素限制使用方式不够灵活,例如,摄像头数量,安装角度等限制,会有很多死角无法查看到,使得根据摄像头采集到的数据对空调进行控制还是不够智能。
针对相关技术中根据摄像头采集到的数据对空调进行控制不够智能的问题,目前尚未提出有效的解决方案。
发明内容
本发明的主要目的在于提供一种基于微波雷达的空调控制方法和装置、存储介质和处理器,以解决根据摄像头采集到的数据对空调进行控制不够智能的问题。
为了实现上述目的,根据本发明的一个方面,提供了一种基于微波雷达的空调控制方法,该方法包括:通过微波雷达装置发出微波信号;采集所述微波信号的返回信号,其中,所述返回信号为所述微波信号遇到室内环境中的障碍物后返回的信号;根据所述微波雷达装置发射微波信号的第一时间,及所述微波雷达装置接收返回信号的第二时间的时间差确定所述微波雷达装置和障碍物之间的距离;依据所述微波雷达装置与每个障碍物之间的距离确定障碍物的轮廓;根据障碍物的轮廓构建室内环境的三维图像;从室内环境的三维图像中获取用户的姿势;根据用户的姿势控制空调运行。
进一步地,在从所述室内环境的三维图像中获取用户的姿势之前,所述方法还包括:获取预设数量的样本数据,其中,每组样本数据包括室内环境的三维图像的投影和室内环境中的用户姿势标签;根据所述预设数量的样本数据对卷积神经网络模型进行模型训练,得到训练好的用户姿势识别模型。
进一步地,从室内环境的三维图像中获取用户的姿势包括:将室内环境的三维图像进行投影抽取,得到室内环境的三维图像的投影;将室内环境的三维图像的投影输入到用户姿势识别模型中进行模型识别,得到用户的姿势。
进一步地,根据所述用户的姿势控制空调运行包括:获取预先设定的用户姿势与空调运行参数的对应关系;根据所述用户的姿势和所述对应关系确定空调运行参数;根据确定的空调运行参数控制空调运行。
进一步地,所述微波雷达装置安装在空调上,依据所述微波雷达装置与每个障碍物之间的距离确定所述障碍物的轮廓构建所述微波雷达装置所在室内环境的三维图像之前,所述方法还包括:所述微波雷达装置依据每个返回信号的时间提取深度数据,其中提取的所述深度数据用来填充所述三维图像;判断第一深度阈值段内的所述深度数据的数据量是否超过预设深度数据阈值;如果超过所述预设深度数据阈值,则提取所述第一深度阈值段内的所述深度数据的最大值作为所述第一深度阈值段内的深度数据。
进一步地,所述用户的姿势包括站立、平躺、静坐。
为了实现上述目的,根据本发明的另一方面,还提供了一种基于微波雷达的空调控制装置,该装置包括:发射单元,用于通过微波雷达装置发出微波信号;采集单元,用于采集所述微波信号的返回信号,其中,所述返回信号为所述微波信号遇到室内环境中的障碍物后返回的信号;第一确定单元,用于根据所述微波雷达装置发射微波信号的第一时间,及所述微波雷达装置接收返回信号的第二时间的时间差确定所述微波雷达装置和障碍物之间的距离;第二确定单元,用于依据所述微波雷达装置与每个障碍物之间的距离确定所述障碍物的轮廓;构建单元,根据所述障碍物的轮廓构建所述室内环境的三维图像;第一获取单元,用于从所述室内环境的三维图像中获取用户的姿势;控制单元,用于根据所述用户的姿势控制空调运行。
进一步地,所述装置还包括:第二获取单元,用于在从所述室内环境的三维图像中获取用户的姿势之前,获取预设数量的样本数据,其中,每组样本数据包括室内环境的三维图像的投影和室内环境中的用户姿势标签;训练单元,用于根据所述预设数量的样本数据对卷积神经网络模型进行模型训练,得到训练好的用户姿势识别模型。
为了实现上述目的,根据本发明的另一方面,还提供了一种存储介质,包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行本发明所述的基于微波雷达的空调控制方法。
为了实现上述目的,根据本发明的另一方面,还提供了一种处理器,用于运行程序,其中,所述程序运行时执行本发明所述的基于微波雷达的空调控制方法。
本发明通过微波雷达装置发出微波信号;采集微波信号的返回信号,其中,返回信号为微波信号遇到室内环境中的障碍物后返回的信号;根据微波雷达装置发射微波信号的第一时间,及微波雷达装置接收返回信号的第二时间的时间差确定微波雷达装置和障碍物之间的距离;依据所述微波雷达装置与每个障碍物之间的距离确定所述障碍物的轮廓;根据所述障碍物的轮廓构建所述室内环境的三维图像;从室内环境的三维图像中获取用户的姿势;根据用户的姿势控制空调运行,解决了根据摄像头采集到的数据对空调进行控制不够智能的问题,进而达到了通过微波雷达控制空调运行的效果。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明第一实施例的基于微波雷达的空调控制方法的流程图;
图2是根据本发明第二实施例的基于微波雷达的空调控制方法的示意图;
图3是根据本发明实施例的卷积神经网络CNN的结构示意图;
图4是根据本发明实施例的微波雷达图像三维重构流程示意图;
图5是根据本发明实施例的基于微波雷达的空调控制装置的示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例提供了一种基于微波雷达的空调控制方法。
图1是根据本发明第一实施例的基于微波雷达的空调控制方法的流程图,如图1所示,该方法包括以下步骤:
步骤S102:通过微波雷达装置发出微波信号;
步骤S104:采集微波信号的返回信号,其中,返回信号为微波信号遇到室内环境中的障碍物后返回的信号;
步骤S106:根据微波雷达装置发射微波信号的第一时间,及微波雷达装置接收返回信号的第二时间的时间差确定微波雷达装置和障碍物之间的距离;
步骤S108:依据微波雷达装置与每个障碍物之间的距离确定障碍物的轮廓;
步骤S110:根据障碍物的轮廓构建室内环境的三维图像;
步骤S112:从室内环境的三维图像中获取用户的姿势;
步骤S114:根据用户的姿势控制空调运行。
该实施例通过微波雷达装置发出微波信号;采集微波信号的返回信号,其中,返回信号为微波信号遇到室内环境中的障碍物后返回的信号;根据微波雷达装置发射微波信号的第一时间,及微波雷达装置接收返回信号的第二时间的时间差确定微波雷达装置和障碍物之间的距离;依据微波雷达装置与每个障碍物之间的距离确定障碍物的轮廓;根据障碍物的轮廓构建室内环境的三维图像;从室内环境的三维图像中获取用户的姿势;根据用户的姿势控制空调运行,解决了根据摄像头采集到的数据对空调进行控制不够智能的问题,进而达到了通过微波雷达控制空调运行的效果。
本发明实施例的技术方案可以作为一种基于微波雷达监测的智能空调控制方法,将微波雷达与空调结合,通过微波雷达对环境进行监测,得出用户的行为状态并以此调整空调模式,通过安装在设定位置的微波雷达装置发出微波信号,其中,微波信号在遇到室内障碍物时反射,产生返回信号,根据两种信号的时间差可以确定微波雷达和障碍物之间的距离,进而可以确定出当前室内环境中三维图像,用户在室内的情况下,可以从三维图像中确定出用户所在位置和用户姿势,根据用户姿势可以控制空调运行,例如,用户姿势可以是站立、平躺、静坐,如果用户是平躺则可以认为用户在睡觉,此时可以将空调调整到适合睡觉的模式和参数,通过这样的方式来控制空调运行可以使空调运行更加智能,相比于摄像头采集数据来控制空调运行,本申请的技术方案更加智能,受限制更少。目前对用户姿势的识别还仅限于站立、平躺、静坐等简单且区别较大的姿势,随着技术进步,可以识别出更多更精细的用户姿势,并根据用户姿势控制空调运行。
可选地,在从室内环境的三维图像中获取用户的姿势之前,获取预设数量的样本数据,其中,每组样本数据包括室内环境的三维图像的投影和室内环境中的用户姿势标签;根据预设数量的样本数据对卷积神经网络模型进行模型训练,得到训练好的用户姿势识别模型,其中,从室内环境的三维图像中获取用户的姿势包括:将室内环境的三维图像进行投影抽取,得到室内环境的三维图像的投影;将室内环境的三维图像的投影输入到用户姿势识别模型中进行模型识别,得到用户的姿势。
对用户的姿势进行识别可以是通过训练好的卷积神经网络模型进行图像识别,在识别之前需要对模型进行训练,训练的样本是一定数量的室内环境的三维图像的投影和其中的用户姿势标签,模型训练好之后可以输入当前室内的三维图像的投影得到其中的用户姿势分类。
可选地,根据用户的姿势控制空调运行包括:获取预先设定的用户姿势与空调运行参数的对应关系;根据用户的姿势和对应关系确定空调运行参数;根据确定的空调运行参数控制空调运行。
预先设定的用户姿势与空调运行参数的对应关系可以保存在空调中,也可以保存在单独的存储数据库中,以备调用,通过用户的姿势查表即可得到对应的空调的运行参数,包括运行模式、温度湿度风速等参数。
可选地,微波雷达装置安装在空调上,依据微波雷达装置与每个障碍物之间的距离确定障碍物的轮廓构建微波雷达装置所在室内环境的三维图像之前,微波雷达装置依据每个返回信号的时间提取深度数据,其中提取的深度数据用来填充三维图像;判断第一深度阈值段内的深度数据的数据量是否超过预设深度数据阈值;如果超过预设深度数据阈值,则提取第一深度阈值段内的深度数据的最大值作为第一深度阈值段内的深度数据。
微波雷达装置的位置设置可以是在空调上,微波雷达装置在构建室内环境的三维图像之前,提取每个返回信号的深度数据,可以依据每次接收数据所在的时间节点提取环境内的深度(即高度方向)上的信息,由于数据量有可能过大,因此此时设定一定的深度阈值,若该阈值段内数据节点达到k个以上,则进行合并。合并时,提取该段数据的最大值为代表,视为该深度的数据值。数据处理完毕后,依据各节点坐标进行三维成像,并输出三维图像。
本发明实施例还提供了一种优选实施方式,下面结合该优选实施方式对本发明实施例的技术方案进行说明。
本发明实施例的技术方案可以作为一种基于微波雷达监测的室内空调模式控制方法,设计了一种基于微波雷达监测的智能空调模式控制方法,通过微波雷达监测室内环境,并进行三维重构成像,然后将三维图像的映射集输入至卷积神经网络进行判断,得出室内人体的行为状态,并依据此来调节空调的模式。
图2是根据本发明第二实施例的基于微波雷达的空调控制方法的流程图,如图2所示,流程开始时,由安装在空调上的微波雷达装置采集环境内数据,将数据送入三维重构成像模块,成像完成后,对三维图像进行投影抽取并送入CNN卷积神经网络,卷积神经网络对图像进行判别,输出用户的姿势判断,由于微波雷达的成像精度不高,因此只需要判断其是否为站立、平躺、静坐等简单且区别较大的姿势,输出姿势判断结果后,空调依据该结果进行模式的调整和更改。
图3是根据本发明实施例的卷积神经网络CNN的结构图,如图3所示,卷积网络主要由五个部分组成,输入层,卷积层,池化层、全连接层、softmax层。输入为images,其后由卷积层相连。卷积层主要由卷积核构成,卷积核相当于一个尺寸略小的全连接层,images中的小正方形尺寸与卷积核大小一致,卷积核从images的左上角开始从左至右,从上到下,进行扫描,每扫过单位面积(卷积核面积)时,将iamge中的像素点与卷积核进行矩阵计算,得到一个映射区域,名称叫做feature map,许多feature map组成一个卷积feature map层,如module中的左边立方体成为卷积feature map。Images在经过卷积核处理的作用是将Iamges进行特征提取。Module中左边的卷积feature map同样需要经过池化层进行特征的进一步提取,减少特征的冗余,池化处理与卷积核的处理类似,即在卷积feature map层上扫描固定大小的单位区域,不同的是,不在进行矩阵的计算,而是对矩阵内部做分块处理,如最大池化处理,即在矩阵内取最大值像素点;平均池化处理,在矩阵内做像素点的值求平均值。再经过池化处理后得到池化feature map层,如module中的右边立方体。卷积层与池化层组成module,后续再连接n-1个module之后,再连接三个全连接层,FC1、FC2、FC3,将立体的feature map转化成一维的全连接层,最后再经过softmax对结果进行判断。
图4是根据本发明实施例的微波雷达图像三维重构流程示意图,如图4所示,空调上安装的微波雷达模块采集环境数据后,依据每次接收数据所在的时间节点提取环境内的深度(即高度方向)上的信息。由于数据量有可能过大,因此此时设定一定的深度阈值,若该阈值段内数据节点达到k个以上,则进行合并,合并时,提取该段数据的最大值为代表,视为该深度的数据值,数据处理完毕后,依据各节点坐标进行三维成像,并输出三维图像。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本发明实施例提供了一种基于微波雷达的空调控制装置,该装置可以用于执行本发明实施例的基于微波雷达的空调控制方法。
图5是根据本发明实施例的基于微波雷达的空调控制装置的示意图,如图5所示,该装置包括:
发射单元10,用于通过微波雷达装置发出微波信号;
采集单元20,用于采集微波信号的返回信号,其中,返回信号为微波信号遇到室内环境中的障碍物后返回的信号;
第一确定单元30,用于根据微波雷达装置发射微波信号的第一时间,及微波雷达装置接收返回信号的第二时间的时间差确定微波雷达装置和障碍物之间的距离;
第二确定单元40,用于依据微波雷达装置与每个障碍物之间的距离确定障碍物的轮廓;
构建单元50,根据障碍物的轮廓构建室内环境的三维图像;
第一获取单元60,用于从室内环境的三维图像中获取用户的姿势;
控制单元70,用于根据用户的姿势控制空调运行。
该实施例采用发射单元10,用于通过微波雷达装置发出微波信号;采集单元20,用于采集微波信号的返回信号,其中,返回信号为微波信号遇到室内环境中的障碍物后返回的信号;第一确定单元30,用于根据微波雷达装置发射微波信号的第一时间,及微波雷达装置接收返回信号的第二时间的时间差确定微波雷达装置和障碍物之间的距离;第二确定单元40,用于依据微波雷达装置与每个障碍物之间的距离确定障碍物的轮廓;构建单元50,根据障碍物的轮廓构建室内环境的三维图像;第一获取单元60,用于从室内环境的三维图像中获取用户的姿势;控制单元70,用于根据用户的姿势控制空调运行,从而解决了根据摄像头采集到的数据对空调进行控制不够智能的问题,进而达到了通过微波雷达控制空调运行的效果。
可选地,该装置还包括:第二获取单元,用于在从室内环境的三维图像中获取用户的姿势之前,获取预设数量的样本数据,其中,每组样本数据包括室内环境的三维图像的投影和室内环境中的用户姿势标签;训练单元,用于根据预设数量的样本数据对卷积神经网络模型进行模型训练,得到训练好的用户姿势识别模型。
可选地,第一获取单元60包括:抽取模块,用于将室内环境的三维图像进行投影抽取,得到室内环境的三维图像的投影;输入模块,用于将室内环境的三维图像的投影输入到用户姿势识别模型中进行模型识别,得到用户的姿势。
可选地,控制单元70包括:获取模块,用于获取预先设定的用户姿势与空调运行参数的对应关系;确定模块,用于根据用户的姿势和对应关系确定空调运行参数;控制模块,用于根据确定的空调运行参数控制空调运行。
基于微波雷达的空调控制装置包括处理器和存储器,上述发射单元10、采集单元20、第一确定单元30等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来通过微波雷达控制空调运行。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现基于微波雷达的空调控制方法。
本发明实施例提供了一种处理器,处理器用于运行程序,其中,程序运行时执行基于微波雷达的空调控制方法。
本发明实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:通过微波雷达装置发出微波信号;采集微波信号的返回信号,其中,返回信号为微波信号遇到室内环境中的障碍物后返回的信号;根据微波雷达装置发射微波信号的第一时间,及微波雷达装置接收返回信号的第二时间的时间差确定微波雷达装置和障碍物之间的距离;依据微波雷达装置与每个障碍物之间的距离确定障碍物的轮廓;根据障碍物的轮廓构建室内环境的三维图像;从室内环境的三维图像中获取用户的姿势;根据用户的姿势控制空调运行。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:通过微波雷达装置发出微波信号;采集微波信号的返回信号,其中,返回信号为微波信号遇到室内环境中的障碍物后返回的信号;根据微波雷达装置发射微波信号的第一时间,及微波雷达装置接收返回信号的第二时间的时间差确定微波雷达装置和障碍物之间的距离;依据微波雷达装置与每个障碍物之间的距离确定障碍物的轮廓;根据障碍物的轮廓构建室内环境的三维图像;从室内环境的三维图像中获取用户的姿势;根据用户的姿势控制空调运行。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、***或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (9)
1.一种基于微波雷达的空调控制方法,其特征在于,包括:
通过微波雷达装置发出微波信号;
采集所述微波信号的返回信号,其中,所述返回信号为所述微波信号遇到室内环境中的障碍物后返回的信号;
根据所述微波雷达装置发射微波信号的第一时间,及所述微波雷达装置接收返回信号的第二时间的时间差确定所述微波雷达装置和障碍物之间的距离;
依据所述微波雷达装置与每个障碍物之间的距离确定所述障碍物的轮廓;
根据所述障碍物的轮廓构建所述室内环境的三维图像;
从所述室内环境的三维图像中获取用户的姿势;
根据所述用户的姿势控制空调运行;
其中,根据所述用户的姿势控制空调运行包括:
获取预先设定的用户姿势与空调运行参数的对应关系;
根据所述用户的姿势和所述对应关系确定空调运行参数;
根据确定的空调运行参数控制空调运行。
2.根据权利要求1所述的方法,其特征在于,在从所述室内环境的三维图像中获取用户的姿势之前,所述方法还包括:
获取预设数量的样本数据,其中,每组样本数据包括室内环境的三维图像的投影和所述室内环境中的用户姿势标签;
根据所述预设数量的样本数据对卷积神经网络模型进行模型训练,得到训练好的用户姿势识别模型。
3.根据权利要求1所述的方法,其特征在于,从所述室内环境的三维图像中获取用户的姿势包括:将所述室内环境的三维图像进行投影抽取,得到所述室内环境的三维图像的投影;将所述室内环境的三维图像的投影输入到所述用户姿势识别模型中进行模型识别,得到用户的姿势。
4.根据权利要求1所述的方法,其特征在于,依据所述微波雷达装置与每个障碍物之间的距离确定所述障碍物的轮廓构建所述微波雷达装置所在室内环境的三维图像之前,所述方法还包括:
所述微波雷达装置依据每个返回信号的时间提取深度数据,其中提取的所述深度数据用来填充所述三维图像;
判断第一深度阈值段内的所述深度数据的数据量是否超过预设深度数据阈值;
如果超过所述预设深度数据阈值,则提取所述第一深度阈值段内的所述深度数据的最大值作为所述第一深度阈值段内的深度数据。
5.根据权利要求1所述的方法,其特征在于,所述用户的姿势包括站立、平躺、静坐。
6.一种基于微波雷达的空调控制装置,其特征在于,包括:
发射单元,用于通过微波雷达装置发出微波信号;
采集单元,用于采集所述微波信号的返回信号,其中,所述返回信号为所述微波信号遇到室内环境中的障碍物后返回的信号;
第一确定单元,用于根据所述微波雷达装置发射微波信号的第一时间,及所述微波雷达装置接收返回信号的第二时间的时间差确定所述微波雷达装置和障碍物之间的距离;
第二确定单元,用于依据所述微波雷达装置与每个障碍物之间的距离确定所述障碍物的轮廓;
构建单元,根据所述障碍物的轮廓构建所述室内环境的三维图像;
第一获取单元,用于从所述室内环境的三维图像中获取用户的姿势;
控制单元,用于根据所述用户的姿势控制空调运行;
其中,所述控制单元包括:获取模块,用于获取预先设定的用户姿势与空调运行参数的对应关系;确定模块,用于根据用户的姿势和对应关系确定空调运行参数;控制模块,用于根据确定的空调运行参数控制空调运行。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
第二获取单元,用于在从所述室内环境的三维图像中获取用户的姿势之前,获取预设数量的样本数据,其中,每组样本数据包括室内环境的三维图像的投影和室内环境中的用户姿势标签;
训练单元,用于根据所述预设数量的样本数据对卷积神经网络模型进行模型训练,得到训练好的用户姿势识别模型。
8.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至5中任意一项所述的基于微波雷达的空调控制方法。
9.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至5中任意一项所述的基于微波雷达的空调控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910081551.8A CN109753948B (zh) | 2019-01-28 | 2019-01-28 | 基于微波雷达的空调控制方法和装置、存储介质和处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910081551.8A CN109753948B (zh) | 2019-01-28 | 2019-01-28 | 基于微波雷达的空调控制方法和装置、存储介质和处理器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109753948A CN109753948A (zh) | 2019-05-14 |
CN109753948B true CN109753948B (zh) | 2021-06-04 |
Family
ID=66406419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910081551.8A Active CN109753948B (zh) | 2019-01-28 | 2019-01-28 | 基于微波雷达的空调控制方法和装置、存储介质和处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109753948B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110246259A (zh) * | 2019-07-08 | 2019-09-17 | 广东科徕尼智能科技有限公司 | 基于微波感应的智能门锁***及微波感应控制方法 |
CN110781764B (zh) * | 2019-09-30 | 2021-08-03 | 北京大学 | 智能微波手语识别方法 |
CN111067537A (zh) * | 2019-11-11 | 2020-04-28 | 珠海格力电器股份有限公司 | 一种睡姿监测方法、监测终端及存储介质 |
CN110779150B (zh) * | 2019-11-14 | 2021-05-14 | 宁波奥克斯电气股份有限公司 | 一种基于毫米波的空调器控制方法、装置及空调器 |
CN113138384B (zh) * | 2020-01-17 | 2023-08-15 | 北京小米移动软件有限公司 | 图像采集方法及装置、存储介质 |
CN113140030A (zh) * | 2020-01-17 | 2021-07-20 | 北京小米移动软件有限公司 | 三维模型生成方法、装置及存储介质 |
CN113516826A (zh) * | 2020-04-10 | 2021-10-19 | 郑州任道智能科技有限公司 | 一种多向式智能防遗弃报警装置 |
CN111720980B (zh) * | 2020-06-11 | 2022-09-06 | 青岛海尔空调器有限总公司 | 空调器室内机及其控制方法 |
CN112489372A (zh) * | 2020-12-28 | 2021-03-12 | 南京大学 | 一种泳池监控报警*** |
CN113608224A (zh) * | 2021-07-14 | 2021-11-05 | Oppo广东移动通信有限公司 | 人体识别方法、装置、***、电子设备及存储介质 |
CN113655470B (zh) * | 2021-08-09 | 2023-10-10 | 珠海格力电器股份有限公司 | 对象检测方法、装置、设备及存储介质 |
CN115866852B (zh) * | 2023-02-22 | 2023-05-09 | 广州易而达科技股份有限公司 | 一种照明灯具的灯光调节方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103090503A (zh) * | 2011-10-27 | 2013-05-08 | 海尔集团公司 | 一种空调装置及其控制方法 |
CN104819549A (zh) * | 2015-05-18 | 2015-08-05 | 广东美的暖通设备有限公司 | 空调器及其的控制方法 |
WO2016046139A1 (en) * | 2014-09-25 | 2016-03-31 | Philips Lighting Holding B.V. | Control of lighting |
CN108038420A (zh) * | 2017-11-21 | 2018-05-15 | 华中科技大学 | 一种基于深度视频的人体行为识别方法 |
CN109086700A (zh) * | 2018-07-20 | 2018-12-25 | 杭州电子科技大学 | 基于深度卷积神经网络的雷达一维距离像目标识别方法 |
CN109114746A (zh) * | 2018-09-30 | 2019-01-01 | 珠海格力电器股份有限公司 | 目标检测***、方法、空调***和计算机可读存储介质 |
-
2019
- 2019-01-28 CN CN201910081551.8A patent/CN109753948B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103090503A (zh) * | 2011-10-27 | 2013-05-08 | 海尔集团公司 | 一种空调装置及其控制方法 |
WO2016046139A1 (en) * | 2014-09-25 | 2016-03-31 | Philips Lighting Holding B.V. | Control of lighting |
CN104819549A (zh) * | 2015-05-18 | 2015-08-05 | 广东美的暖通设备有限公司 | 空调器及其的控制方法 |
CN108038420A (zh) * | 2017-11-21 | 2018-05-15 | 华中科技大学 | 一种基于深度视频的人体行为识别方法 |
CN109086700A (zh) * | 2018-07-20 | 2018-12-25 | 杭州电子科技大学 | 基于深度卷积神经网络的雷达一维距离像目标识别方法 |
CN109114746A (zh) * | 2018-09-30 | 2019-01-01 | 珠海格力电器股份有限公司 | 目标检测***、方法、空调***和计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
LonchaNet: A Sliced-based CNN Architecture for Real-time 3D Object Recognition;F. Gomez-Donoso 等;《IJCNN 2017》;20170703;第412-418页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109753948A (zh) | 2019-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109753948B (zh) | 基于微波雷达的空调控制方法和装置、存储介质和处理器 | |
CN111666921B (zh) | 车辆控制方法、装置、计算机设备和计算机可读存储介质 | |
US20170213080A1 (en) | Methods and systems for automatically and accurately detecting human bodies in videos and/or images | |
CN104657936B (zh) | 用于调整深度值的方法及电子装置 | |
US9870617B2 (en) | Apparatus and methods for saliency detection based on color occurrence analysis | |
CN104303193B (zh) | 基于聚类的目标分类 | |
CN108256404B (zh) | 行人检测方法和装置 | |
CN113420729A (zh) | 多尺度目标检测方法、模型、电子设备及其应用 | |
CN107590456A (zh) | 一种高空视频监控中小微目标的检测方法 | |
CN106971178A (zh) | 行人检测和再识别的方法及装置 | |
CN108710367B (zh) | 激光数据识别方法、装置、机器人及存储介质 | |
WO2021104124A1 (zh) | 圈养栏信息的确定方法、装置及***、存储介质 | |
CN111985385A (zh) | 一种行为检测方法、装置及设备 | |
CN111639668A (zh) | 一种基于深度学习的人群密度检测方法 | |
CN111291646A (zh) | 一种人流量统计方法、装置、设备及存储介质 | |
CN113470076A (zh) | 一种平养鸡舍黄羽鸡多目标跟踪方法 | |
CN113723178A (zh) | 视频监控火灾的检测方法及装置 | |
CN114220076A (zh) | 多目标检测方法、装置及其应用 | |
CN115376125A (zh) | 一种基于多模态数据融合的目标检测方法以及基于目标检测模型的在体果实采摘方法 | |
CN109661671B (zh) | 使用边界位图对图像分类的改善 | |
CN111382638B (zh) | 一种图像检测方法、装置、设备和存储介质 | |
CN109740527B (zh) | 一种视频帧中图像处理方法 | |
CN112699711A (zh) | 车道线检测方法、装置、存储介质及电子设备 | |
TW202247108A (zh) | 視覺定位方法、設備及電腦可讀儲存媒體 | |
CN112529917A (zh) | 一种三维目标分割方法、装置、设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |